Estudio de caso 3: CRISIS CLIMATICA

 7.- Emprendimiento agronómico sobre crisis climática

https://chat.openai.com/share/eec8d626-6f1a-4d3a-aa6c-1356a6e2bc0d

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

# Generar datos ficticios de rendimientos de cultivos y condiciones climáticas

np.random.seed(42)

cultivos = ['Maíz', 'Trigo', 'Arroz', 'Tomate']

rendimientos = np.random.randint(50, 100, size=(100, len(cultivos)))

fechas = pd.date_range('2023-01-01', periods=100)

df = pd.DataFrame(rendimientos, columns=cultivos, index=fechas)

# Agregar datos climáticos (temperatura y precipitación)

df['Temperatura'] = np.random.randint(20, 35, size=100)

df['Precipitacion'] = np.random.randint(0, 100, size=100)

# Estadísticas descriptivas

descripcion = df.describe()

# Gráfico de tendencias de rendimientos por cultivo

plt.figure(figsize=(10, 6))

for cultivo in cultivos:

    plt.plot(df.index, df[cultivo], label=cultivo)

plt.title('Tendencias de Rendimientos de Cultivos')

plt.xlabel('Fecha')

plt.ylabel('Rendimiento')

plt.legend()

plt.show()

# Gráfico de correlación entre temperatura, precipitación y rendimientos

plt.figure(figsize=(8, 6))

plt.scatter(df['Temperatura'], df['Precipitacion'], c=df['Maíz'], cmap='viridis')

plt.colorbar(label='Rendimiento de Maíz')

plt.title('Correlación entre Temperatura, Precipitación y Rendimiento de Maíz')

plt.xlabel('Temperatura')

plt.ylabel('Precipitación')

plt.show()

print("Estadísticas descriptivas de los datos:")

print(descripcion)

Se tiene información de datos ficticios de rendimientos de cultivos y condiciones climáticas. Esta simulación es una representación básica de cómo podrían analizarse datos agrícolas para entender mejor cómo influyen las condiciones climáticas en los rendimientos de cultivos, lo que podría ser crucial para la toma de decisiones en un emprendimiento agronómico frente a la crisis climática.

Los datos estadísticos muestran la siguiente información:

Estadísticas Descriptivas de Precipitación: count 12.000000 mean 12.000000 std 7.965836 min 1.000000 25% 5.000000 50% 11.000000 75% 18.500000 max 25.000000

En resumen, estas estadísticas describen la cantidad de medida de precipitación, proporcionando información sobre su dispersión y la distribución de los valores dentro del conjunto de datos.

Con la información se tiene el siguiente grafico sobre la tendencia en el comportamiento de rendimiento de los cultivos

También se muestra el comportamiento de la temperatura y la precipitación en el rendimiento del maíz por ejemplo

Estudio de caso : TRATAMIENTO DE LA POLIGLOBULIA

 6.- Estudio de caso en cómo tratar la poliglobulia

https://chat.openai.com/share/a4a84810-2a75-49c2-bf62-3d749500ab09

import numpy as np

import statistics

# Datos simulados de niveles de glóbulos rojos

niveles_glóbulos_rojos = [5.1, 5.5, 5.7, 5.3, 5.9, 6.0, 5.8, 6.2, 6.1, 5.6]

# Cálculo de estadísticas descriptivas

promedio = np.mean(niveles_glóbulos_rojos)

mediana = np.median(niveles_glóbulos_rojos)

desviacion_estandar = np.std(niveles_glóbulos_rojos)

varianza = np.var(niveles_glóbulos_rojos)

# Impresión de resultados

print("Estadísticas descriptivas de niveles de glóbulos rojos:")

print("Promedio:", promedio)

print("Mediana:", mediana)

print("Desviación estándar:", desviacion_estandar)

print("Varianza:", varianza)

Para realizar un análisis inicial de datos relacionados con la poliglobulia, se ha utilizado datos ficticios recopilados de pacientes y aplicaremos algunas técnicas básicas de análisis de datos.

El tratamiento incluye la Flebotomía para reducir el hematocrito y la hemoglobina a valores normales. El tratamiento específico puede variar según su etiología, por ello es necesario realizar análisis de sangre y pruebas para determinar la causa específica

La sangre es espesa y esto puede conducir a ataques cerebrales o daños en los órganos y tejidos. Los síntomas incluyen falta de energía (fatiga) o debilidad, dolores de cabeza, mareos, dificultad para respirar, trastornos visuales, sangrado de la nariz, sangrado de las encías, menstruaciones abundantes, y moretones.

Estadísticas descriptivas de niveles de glóbulos rojos: Promedio: 5.720000000000001 Mediana: 5.75 Desviación estándar: 0.3340658617698014 Varianza: 0.11160000000000006

En los datos estadisticos se puede observar que se tiene un promedio de 5,72 y una media de 5,75 con una desviación de 0,334 lo que nos indica que no existe mucha variación en esta información y lo mismo se observa en la varianza

La visualización de datos es una herramienta poderosa para comprender mejor el comportamiento de ciertas condiciones médicas. Sin embargo, en el caso de la poliglobulia, es esencial recalcar que no proporciono datos reales de pacientes debido a la sensibilidad y la privacidad de la información médica. Aun así, se puede observar con un ejemplo con datos simulados para representar el comportamiento de una condición hipotética relacionada con los niveles de glóbulos rojos.

import matplotlib.pyplot as plt

# Datos simulados de niveles de glóbulos rojos a lo largo del tiempo

# Estos datos son ficticios y solo se utilizan con fines ilustrativos

meses = ['Enero', 'Febrero', 'Marzo', 'Abril', 'Mayo']

niveles_glóbulos_rojos = [5.1, 5.5, 5.7, 5.3, 5.9]

# Creación de la gráfica de líneas

plt.figure(figsize=(8, 5))

plt.plot(meses, niveles_glóbulos_rojos, marker='o', linestyle='-', color='b')

# Títulos y etiquetas

plt.title('Niveles de Glóbulos Rojos a lo largo del Tiempo')

plt.xlabel('Meses')

plt.ylabel('Niveles de Glóbulos Rojos')

# Mostrar la gráfica

plt.grid(True)

plt.tight_layout()

plt.show()

 

Estudio de caso: TRATAMIENTO DE LA DIABETES

 

5.- Estudio de caso en tratamiento de diabetes

https://chat.openai.com/share/2e54ee75-ed4b-4cee-9c22-eff8a74f4f1e

 import pandas as pd

import matplotlib.pyplot as plt

# Ejemplo de datos de pacientes diabéticos (ficticios)

data = {

    'Edad': [45, 60, 35, 50, 65, 28, 55, 48, 72, 40],

    'Glucosa': [120, 140, 180, 160, 130, 200, 145, 155, 115, 170],

    'PresionArterial': [80, 90, 85, 95, 75, 100, 88, 92, 78, 86]

}

# Crear un DataFrame de pandas con los datos

df = pd.DataFrame(data)

# Estadísticas descriptivas básicas

summary_statistics = df.describe()

print("Resumen estadístico de los datos de pacientes diabéticos:")

print(summary_statistics)

# Histograma de la distribución de la glucosa

plt.figure(figsize=(8, 5))

plt.hist(df['Glucosa'], bins=5, color='skyblue')

plt.title('Distribución de Niveles de Glucosa')

plt.xlabel('Nivel de Glucosa')

plt.ylabel('Frecuencia')

plt.show()

El tratamiento de la diabetes se basa en tres pilares: dieta, ejercicio físico y medicación. Tiene como objetivo mantener los niveles de glucosa en sangre dentro de la normalidad para minimizar el riesgo de complicaciones asociadas a la enfermedad

La causa exacta de la mayoría de los tipos de diabetes se desconoce. En todos los casos, la glucosa se acumula en el torrente sanguíneo. Esto se debe a que el páncreas no produce suficiente insulina. Ambas clases de diabetes, tipo 1 y tipo 2, pueden causarse por una combinación de factores genéticos y ambientales, Hoy en día existe mucho problema de salud con esta enfermedad, por lo que es importante tomar muy en cuenta los niveles de azúcar en nuestro cuerpo.

 Resumen estadístico de los datos de pacientes diabéticos:

Edad Glucosa PresionArterial count 10.000000 10.000000 10.000000 mean 49.800000 151.500000 86.900000 std 13.628402 26.982505 7.795298 min 28.000000 115.000000 75.000000 25% 41.250000 132.500000 81.250000 50% 49.000000 150.000000 87.000000 75% 58.750000 167.500000 91.500000 max 72.000000 200.000000 100.000000

Los resultados estadísticos nos muestra que en la edad de 49,8 años existe mayor prevalencia esta enfermedad

El objetivo es comprender mejor la distribución de los niveles de glucosa, identificar tendencias y patrones, y extraer información valiosa para mejorar la atención médica y se puede observar la mayor frecuencia se tiene con nivel de glucosa (120)

Modulo II: Pensamiento computacional con Python

 4.- Pensamiento computacional con Python

En los últimos años, el pensamiento computacional y la programación para abordar y resolver problemas de manera útil y eficiente han llegado a ser tan importantes, con la llegada de la revolución industrial a nivel global, profesionales de diferentes carreras y áreas han optado y decidido involucrarse en el rubro de la programación con lenguajes de última generación. En este sentido, Python es uno de los favoritos por ser un lenguaje de programación interpretado, pero sobre todo por su filosofía simple de uso.

En el pensamiento computacional existen cuatro elementos claves: la descomposición, la abstracción, el reconocimiento de patrones y la escritura de algoritmos. El pensamiento computacional es el proceso de reconocimiento de aspectos de la informática en el mundo que nos rodea, y aplicar herramientas y técnicas de la informática para comprender y razonar sobre los sistemas y procesos tanto naturales como artificiales

https://chat.openai.com/share/53135ad9-c78a-48ac-a292-db15b45e417a

En este ejemplo podemos ver la introducción al pensamiento computacional y su importancia en la resolución de problemas. 

# Script de ejemplo para descomposición de un problema

def resolver_problema():

    # Paso 1: Identificar el problema

    problema = "Realizar un seguimiento de las tareas diarias"

    # Paso 2: Descomponer en tareas más pequeñas

    tarea1 = "Hacer una lista de tareas"

    tarea2 = "Asignar prioridades a cada tarea"

    tarea3 = "Marcar tareas completadas"

    # Paso 3: Implementar en Python

    print(f"Paso 1: {problema}")

    print(f"Paso 2: {tarea1}")

    print(f"Paso 3: {tarea2}")

    print(f"Paso 4: {tarea3}")

# Llamada a la función

resolver_problema()

En esta entrada, podemos explorar cómo las estructuras de control como bucles y condicionales en Python pueden ayudar en el pensamiento computacional.

# Script de ejemplo para el uso de bucles en Python

def contar_hasta_n(n):

    for i in range(1, n+1):

        print(i)

# Llamada a la función

contar_hasta_n(5)

En el campo agronómico, podemos crear una entrada que muestre cómo aplicar el pensamiento computacional para resolver problemas específicos en la agricultura. Por ejemplo, un script que simule el seguimiento de datos de cultivos.

# Script de ejemplo para seguimiento de datos agronómicos

datos_cultivo = [25, 30, 22, 35, 28]

promedio = sum(datos_cultivo) / len(datos_cultivo)

print(f"El promedio de crecimiento es: {promedio}")

https://www.youtube.com/watch?v=MGA066-Fs0E

Modulo II: Programas Básicos en Python

3. Programas Básicos en Python

La estructura básica de Python, es un programa que se construye a partir de códigos, es un lenguaje de programación ampliamente utilizado en las aplicaciones web y el desarrollo de software. Los desarrolladores utilizan Python porque es eficiente y fácil de aprender, además de que se puede ejecutar en muchas plataformas diferentes. El software Python se puede descargar gratis, se integra bien a todos los tipos de sistemas y aumenta la velocidad del desarrollo.

Los beneficios que ofrece Python son muchos, entre los cuales se pueden mencionar los siguientes: Los desarrollan pueden leer y comprender fácilmente, Python cuenta con una gran biblioteca estándar que contiene códigos reutilizables para casi cualquier tarea, Hay muchos recursos útiles disponibles en Internet si desea aprender Python. Por ejemplo, puede encontrar con facilidad videos, tutoriales, documentación y guías para muchos trabajos que uno tiene interés. 

https://chat.openai.com/share/dea21509-0962-42f8-80f8-38b17f3d5d16

En este ejemplo veremos como imprimir mensajes en la consola, trabajar con variables y realizar operaciones simples.

# Mi primer script en Python

mensaje = "¡Hola, mundo!"

print(mensaje)

# Operaciones básicas

num1 = 10

num2 = 5

suma = num1 + num2

resta = num1 - num2

print("Suma:", suma)

print("Resta:", resta)

En esta entrada, nos sumergiremos en el mundo de las listas en Python. Veremos cómo crear, modificar y acceder a elementos en una lista, así como algunas operaciones útiles.

# Trabajando con listas

frutas = ["manzana", "banana", "uva", "pera"]

# Agregar un elemento

frutas.append("kiwi")

# Acceder a un elemento

print("Primera fruta:", frutas[0])

# Modificar un elemento

frutas[1] = "fresa"

# Mostrar la lista completa

print("Lista de frutas:", frutas)

Video demostrativo

Modulo II.- Introducción al pensamiento Computacional: Conceptos y Habilidades Clave

 2. Mi primer script

En informática un escript, es una secuencia de comandos, que se usan para designar un lenguaje de programación que se utiliza para manipular, personalizar y automatizar secuencialmente, también podemos indicar que un script puede ser editado para realizar cambios y volver a ejecutarlos, el cual nos permitirá ver fácilmente los resultados de los cambio realizados 

https://chat.openai.com/share/7ae47f0f-97f5-4bd4-b8d8-80905f275606

# Este es un script que calcula el promedio de temperaturas en un cultivo agrícola.

# Lista de temperaturas diarias durante una semana

temperaturas = [25, 27, 24, 26, 28, 30, 29]

# Calcular el promedio de temperaturas

promedio = sum(temperaturas) / len(temperaturas)

# Imprimir el resultado

print(f"El promedio de temperaturas es: {promedio} grados Celsius")

https://www.youtube.com/watch?v=ChSET89gkg0

MODULO II: Introducción al Pensamiento Computacional Conceptos y Habilidades Clave

1. Aspectos de Instalación de Python y Recursos 

Python es un lenguaje de programación con características que lo hacen simple tanto para leer como para escribir. Sin embargo, el programador debe tener una serie de conocimientos y habilidades. 

Entre las habilidades principales que debe tener la persona que quiera aprender sobre Python se encuentran algunas como la capacidad de ser autodidacta y poder trabajar en equipo, así como destacar por tener un pensamiento analítico y resolutivo. 

https://chat.openai.com/share/5d1b176c-741a-4a87-8335-5ad06b295c38

import sys

print("Versión de Python instalada:")

print(sys.version)

import requests

url = "https://www.ejemplo.com"  # Reemplaza con la URL del sitio web que desees consultar.

response = requests.get(url)

if response.status_code == 200:

    print("Solicitud exitosa. Contenido de la página:")

    print(response.text)

else:

    print(f"Error al hacer la solicitud. Código de estado: {response.status_code}")